CN105573123A - 一种基于改进的t-s模糊预测建模的火电机组机炉协调控制方法 - Google Patents

Abstract

本发明公开了一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法，首先，采用模糊聚类方法确立最优聚类数；其次，基于最小二乘法T-S模糊模型后件参数的辨识；最后，设计多步预测控制器。本发明方法可以使机炉协调系统在火电机组大范围调整负荷时，在整个工况范围内依然保证优良的调节品质和较强的鲁棒性，对改善发电系统的运行性能具有重要意义。预测算法本身实现了T-S模糊建模和多步预测控制的有机融合，实现了机炉协调系统的预测控制，算法先进、预测精度高。

Description

一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法

技术领域

本发明涉及火电组机炉协调控制领域，特别是涉及一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法。

背景技术

随着电网和单元机组容量的不断扩大，现代电力系统的规模和复杂程度正在显著增加，电网综合自动化要求实现自动发电控制(AGC)的机组越来越多，同时为了满足用户对提高电能质量的要求，电厂自动化水平和控制性能品质越发显的重要。

锅炉-汽机(机炉)是火力发电机组中的主要设备，通过对其控制来改善发电系统的运行性能具有重要的价值。现有的机炉协调控制系统大多采用多回路结构的单输入单输出PID控制器，在预定的基本工况(负荷)点整定好控制器参数并固定下来。然而，目前很多大、中型火电机组需根据电网要求大范围调整负荷，以致机组运行严重偏离设计工况，机炉对象的动态特性变化较大。基于经典单输入单输出策略的常规PID设计，在大的工况范围内不能提供很好的性能。

发明内容

发明目的：本发明的目的是提供一种可以使火电厂机炉协调系统在整个工况范围内保证优良的调节品质和较强的鲁棒性的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法，包括以下的步骤：

S1：采用模糊聚类方法确立最优聚类数；

S2：基于最小二乘法T-S模糊模型后件参数的辨识；

S3：设计多步预测控制器。

进一步，所述步骤S1包括以下的步骤：

S1.1：给定数据集X＝{X₁,…,X_N}，设定聚类数c＝2和权重参数m＝2，初始化隶属度矩阵U；其中，X₁,…,X_N表示第1个数据到第N个数据；

S1.2：当迭代次数为L时，计算第i个聚类的中心值：

${v_i}^{\left(L\right)}=\frac{\underset{k=1}{\overset{N}{\Σ}}{\left({u_{ki}}^{\left(L\right)}\right)}^m{x}_k}{\underset{k=1}{\overset{N}{\Σ}}{\left({u_{ki}}^{\left(L\right)}\right)}^m},1\≤i\≤c---\left(1\right)$

其中，L为非负整数，为第L次迭代时隶属度矩阵U的第k行第i列，x_k为第k个输入量，N为采集的历史数据总个数；

S1.3：定义第k个输入量与第i个聚类的距离为||x_k-v_i||，用式(2)将U^(L)＝[u_ki ^(L)]更新为U^(L+1)＝[u_ki ^(L+1)]，其中U^(L)和U^(L+1)表示第L次和第L+1次迭代后的隶属度矩阵；

${u_{ki}}^{(L+1)}={\[\underset{j=1}{\overset{c}{\Σ}}{\left(\frac{\left|\right|x_k-{v_i}^{\left(L\right)}\left|\right|}{\left|\right|x_k-{v_j}^{\left(L\right)}\left|\right|}\right)}^{\frac{1}{m-1}}\]}^{-1}---\left(3\right)$

S1.4：如果||U^(L+1)-U^(L)||＜ε，则转至步骤S1.5；否则，令L＝L+1，返回步骤S1.2；其中，ε为容许误差；

S1.5：确立最优聚类数的有效性指标S：

$S=\frac{\underset{i=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{N}{\Σ}}{u}_{ki}^m\left|\right|\mathrm{\φ}\left(x_k\right)-\mathrm{\φ}\left(v_i\right)|{|}^2}{n\left(\underset{k\≠j}{\min }\right|\left|\mathrm{\φ}\right(v_k)-\mathrm{\φ}\left(v_j\right)\left|{|}^2\right)}---\left(4\right)$

其中||φ(v_k)-φ(v_j)||²表示第k个聚类与第j个聚类的空间距离，||φ(v_k)-φ(v_j)||²＝K(v_k,v_k)+K(v_j,v_j)-2K(v_k,v_j)，||φ(x_k)-φ(v_i)||²表示第k个输入量与第i个聚类的空间距离，||φ(x_k)-φ(v_j)||²＝K(x_k,x_k)+K(v_j,v_j)-2K(x_k,v_j)，K(x,y)表示高斯核函数，K(x,y)＝exp[-(x-y)²/σ²]，σ²是样本与样本均值的绝对值的和的平均，n表示聚类数；

S1.6：根据有效性指标计算第c个聚类时的指标S(c)，如果S(c-1)＞S(c-2)且S(c-1)＞S(c)，则聚类结束，聚类数为c＝c-1；否则c＝c+1，转至步骤S1.2。

进一步，所述步骤S2包括以下的步骤：

S2.1：对火电厂机炉协调系统中采集的历史数据进行整理，构造模型输入数据矩阵和模型输出数据向量y；

S2.2：由式(5)计算出T-S模糊模型的后件参数：

其中，

其中，d表示第d个样本，且d＝1,…N.，初始值θ(0)＝0和P(0)＝aI，其中I是单位矩阵，a＝300，为第d个样本的输入—输出观测向量，T表示矩阵转置，其中表示第i个聚类中心与第j个输入量的隶属度，P(d)是第d个样本的协方差矩阵，K(d)是第d个样本的增益向量。

进一步，所述步骤S3包括以下的步骤：

S3.1：在采样时刻k，利用测得的y(k)和上一时刻的控制信号u(k-1)，将T-S模糊模型转化为状态空间描述，得到模型M(k)，令M(k+i)＝M(k),i＝1,…,N，根据二次型性能指标函数J求出最优控制律u(k)：

$\min J=min\{\underset{k=1}{\overset{N_p}{\Σ}}{\[y_r(t+k)-\hat{y}(t+k)\]}^2+\underset{k=1}{\overset{N_u}{\Σ}}\mathrm{\Δ}u{(t+k-1)}^2\}---\left(8\right)$

u(k)＝u(k-1)+Δu(k)(9)

式中，N_p为预测时域长度，N_u为控制时域长度，y_r(t+k)为t+k时刻的参考值，为t+k时刻的预测值，Δu(t+k-1)为第t+k-1时刻的控制增量，Δu(k)为第k时刻的控制增量，u(k-1)为k-1时刻的控制量，u(k)为k时刻的控制量；

S3.2：将u(k)和y(k)代入T-S模糊模型中，计算出预测输出y_m(k+1)；

S3.3：判断M(k+N)是否被求出：如果是，则跳至步骤S3.4，否则，则对T-S模糊模型在工作点(y_m(k+1),u(k))处转化为状态空间描述，得到模型M(k+1)，^令k＝k+1，返回步骤S3.1；

S3.4：基于M(k),M(k+1),…M(k+N)重新求解最优控制律，也即计算出k时刻作用于系统的控制信号u(k)。

有益效果：本发明方法可以使机炉协调系统在火电机组大范围调整负荷时，在整个工况范围内依然保证优良的调节品质和较强的鲁棒性，对改善发电系统的运行性能具有重要意义。预测算法本身实现了T-S模糊建模和多步预测控制的有机融合，实现了机炉协调系统的预测控制，算法先进、预测精度高。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步的介绍。

本发明公开了一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法，如图1所示，包括以下的步骤：

S1：采用模糊聚类方法确立最优聚类数；

S2：基于最小二乘法T-S模糊模型后件参数的辨识；

S3：设计多步预测控制器。

进一步，所述步骤S1包括以下的步骤：

S1.1：给定数据集X＝{X₁,…,X_N}，设定聚类数c＝2和权重参数m＝2，初始化隶属度矩阵U；其中，X₁,…,X_N表示第1个数据到第N个数据；

S1.2：当迭代次数为L时，计算第i个聚类的中心值：

${v_i}^{\left(L\right)}=\frac{\underset{k=1}{\overset{N}{\Σ}}{\left({u_{ki}}^{\left(L\right)}\right)}^m{x}_k}{\underset{k=1}{\overset{N}{\Σ}}{\left({u_{ki}}^{\left(L\right)}\right)}^m},1\≤i\≤c---\left(1\right)$

其中，L为非负整数，为第L次迭代时隶属度矩阵U的第k行第i列，x_k为第k个输入量，N为采集的历史数据总个数；

S1.3：定义第k个输入量与第i个聚类的距离为||x_k-v_i||，用式(2)将U^(L)＝[u_ki ^(L)]更新为U^(L+1)＝[u_ki ^(L+1)]，其中U^(L)和U^(L+1)表示第L次和第L+1次迭代后的隶属度矩阵；

${u_{ki}}^{(L+1)}={\[\underset{j=1}{\overset{c}{\Σ}}{\left(\frac{\left|\right|x_k-{v_i}^{\left(L\right)}\left|\right|}{\left|\right|x_k-{v_j}^{\left(L\right)}\left|\right|}\right)}^{\frac{1}{m-1}}\]}^{-1}---\left(3\right)$

S1.4：如果||U^(L+1)-U^(L)||＜ε，则转至步骤S1.5；否则，令L＝L+1，返回步骤S1.2；其中，ε为容许误差；

S1.5：确立最优聚类数的有效性指标S：

$S=\frac{\underset{i=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{N}{\Σ}}{u}_{ki}^m\left|\right|\mathrm{\φ}\left(x_k\right)-\mathrm{\φ}\left(v_i\right)|{|}^2}{n\left(\underset{k\≠j}{\min }\right|\left|\mathrm{\φ}\right(v_k)-\mathrm{\φ}\left(v_j\right)\left|{|}^2\right)}---\left(4\right)$

其中||φ(v_k)-φ(v_j)||²表示第k个聚类与第j个聚类的空间距离，||_φ(v_k)-φ(v_j)||²＝K(v_k,v_k)+K(v_j,v_j)-2K(v_k,v_j)，||φ(x_k)-φ(v_i)||²表示第k个输入量与第i个聚类的空间距离，||φ(x_k)-φ(v_j)||²＝K(x_k,x_k)+K(v_j,v_j)-2K(x_k,v_j)，K(x,y)表示高斯核函数，K(x,y)＝exp[-(x-y)²/σ²]，σ²是样本与样本均值的绝对值的和的平均，n表示聚类数；

S1.6：根据有效性指标计算第c个聚类时的指标S(c)，如果S(c-1)＞S(c-2)且S(c-1)＞S(c)，则聚类结束，聚类数为c＝c-1；否则c＝c+1，转至步骤S1.2。

进一步，所述步骤S2包括以下的步骤：

S2.1：对火电厂机炉协调系统中采集的历史数据进行整理，构造模型输入数据矩阵和模型输出数据向量y；

S2.2：由式(5)计算出T-S模糊模型的后件参数：

其中，

其中，d表示第d个样本，且d＝1,…N.，初始值θ(0)＝0和P(0)＝aI，其中I是单位矩阵，a＝300，为第d个样本的输入—输出观测向量，T表示矩阵转置，其中表示第i个聚类中心与第j个输入量的隶属度，P(d)是第d个样本的协方差矩阵，K(d)是第d个样本的增益向量。

进一步，所述步骤S3包括以下的步骤：

S3.1：在采样时刻k，利用测得的y(k)和上一时刻的控制信号u(k-1)，将T-S模糊模型转化为状态空间描述，得到模型M(k)，令M(k+i)＝M(k),i＝1,…,N，根据二次型性能指标函数J求出最优控制律u(k)：

$\min J=min\{\underset{k=1}{\overset{N_p}{\Σ}}{\[y_r(t+k)-\hat{y}(t+k)\]}^2+\underset{k=1}{\overset{N_u}{\Σ}}\mathrm{\Δ}u{(t+k-1)}^2\}---\left(8\right)$

u(k)＝u(k-1)+Δu(k)(9)

式中，N_p为预测时域长度，N_u为控制时域长度，y_r(t+k)为t+k时刻的参考值，为t+k时刻的预测值，Δu(t+k-1)为第t+k-1时刻的控制增量，Δu(k)为第k时刻的控制增量，u(k-1)为k-1时刻的控制量，u(k)为k时刻的控制量；

S3.2：将u(k)和y(k)代入T-S模糊模型中，计算出预测输出y_m(k+1)；

S3.3：判断M(k+N)是否被求出：如果是，则跳至步骤S3.4，否则，则对T-S模糊模型在工作点(y_m(k+1),u(k))处转化为状态空间描述，得到模型M(k+1)，令k＝k+1，返回步骤S3.1；

S3.4：基于M(k),M(k+1),…M(k+N)重新求解最优控制律，也即计算出k时刻作用于系统的控制信号u(k)。

Claims (4)

1.一种基于改进的T-S模糊预测建模的火电机组机炉协调控制方法，其特征在于：包括以下的步骤：

S1：采用模糊聚类方法确立最优聚类数；

S2：基于最小二乘法T-S模糊模型后件参数的辨识；

S3：设计多步预测控制器。

2.根据权利要求1所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法，其特征在于：所述步骤S1包括以下的步骤：

S1.1：给定数据集X＝{X₁,…,X_N}，设定聚类数c＝2和权重参数m＝2，初始化隶属度矩阵U；其中，X₁,…,X_N表示第1个数据到第N个数据；

S1.2：当迭代次数为L时，计算第i个聚类的中心值：

${v_i}^{\left(L\right)}=\frac{\underset{k=1}{\overset{N}{\Σ}}{\left({u_{ki}}^{\left(L\right)}\right)}^m{x}_k}{\underset{k=1}{\overset{N}{\Σ}}{\left({u_{ki}}^{\left(L\right)}\right)}^m},1\≤i\≤c---\left(1\right)$

其中，L为非负整数，为第L次迭代时隶属度矩阵U的第k行第i列，x_k为第k个输入量，N为采集的历史数据总个数；

S1.3：定义第k个输入量与第i个聚类的距离为||x_k-v_i||，用式(2)将U^(L)＝[u_ki ^(L)]更新为U^(L+1)＝[u_ki ^(L+1)]，其中U^(L)和U^(L+1)表示第L次和第L+1次迭代后的隶属度矩阵；

${u_{ki}}^{(L+1)}={\[\underset{j=1}{\overset{c}{\Σ}}{\left(\frac{\left|\right|x_k-{v_i}^{\left(L\right)}\left|\right|}{\left|\right|x_k-{v_j}^{\left(L\right)}\left|\right|}\right)}^{\frac{1}{m-1}}\]}^{-1}---\left(3\right)$

S1.4：如果||U^(L+1)-U^(L)||＜ε，则转至步骤S1.5；否则，令L＝L+1，返回步骤S1.2；其中，ε为容许误差；

S1.5：确立最优聚类数的有效性指标S：

$S=\frac{\underset{i=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{N}{\Σ}}{u}_{ki}^m\left|\right|\mathrm{\φ}\left(x_k\right)-\mathrm{\φ}\left(v_i\right)|{|}^2}{n\left(\underset{k\≠j}{\min }\right|\left|\mathrm{\φ}\right(v_k)-\mathrm{\φ}\left(v_j\right)\left|{|}^2\right)}---\left(4\right)$

其中||φ(v_k)-φ(v_j)||²表示第k个聚类与第j个聚类的空间距离，||φ(v_k)-φ(v_j)||²＝K(v_k,v_k)+K(v_j,v_j)-2K(v_k,v_j)，||φ(x_k)-φ(v_i)||²表示第k个输入量与第i个聚类的空间距离，||φ(x_k)-φ(v_j)||²＝K(x_k,x_k)+K(v_j,v_j)-2K(x_k,v_j)，K(x,y)表示高斯核函数，K(x,y)＝exp[-(x-y)²/σ²]，σ²是样本与样本均值的绝对值的和的平均，n表示聚类数；

S1.6：根据有效性指标计算第c个聚类时的指标S(c)，如果S(c-1)＞S(c-2)且S(c-1)＞S(c)，则聚类结束，聚类数为c＝c-1；否则c＝c+1，转至步骤S1.2。

3.根据权利要求1所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法，其特征在于：所述步骤S2包括以下的步骤：

S2.1：对火电厂机炉协调系统中采集的历史数据进行整理，构造模型输入数据矩阵和模型输出数据向量y；

S2.2：由式(5)计算出T-S模糊模型的后件参数：

其中，

其中，d表示第d个样本，且d＝1,…N.，初始值θ(0)＝0和P(0)＝aI，其中I是单位矩阵，a＝300，为第d个样本的输入—输出观测向量，T表示矩阵转置，其中表示第i个聚类中心与第j个输入量的隶属度，P(d)是第d个样本的协方差矩阵，K(d)是第d个样本的增益向量。

4.根据权利要求1所述的基于改进的T-S模糊预测建模的火电机组机炉协调控制方法，其特征在于：所述步骤S3包括以下的步骤：

S3.1：在采样时刻k，利用测得的y(k)和上一时刻的控制信号u(k-1)，将T-S模糊模型转化为状态空间描述，得到模型M(k)，令M(k+i)＝M(k),i＝1,…,N，根据二次型性能指标函数J求出最优控制律u(k)：

$\min J=min\{\underset{k=1}{\overset{N_p}{\Σ}}{\[y_r(t+k)-\hat{y}(t+k)\]}^2+\underset{k=1}{\overset{N_u}{\Σ}}\mathrm{\Δ}u{(t+k-1)}^2\}---\left(8\right)$

u(k)＝u(k-1)+Δu(k)(9)

式中，N_p为预测时域长度，N_u为控制时域长度，y_r(t+k)为t+k时刻的参考值，为t+k时刻的预测值，Δu(t+k-1)为第t+k-1时刻的控制增量，Δu(k)为第k时刻的控制增量，u(k-1)为k-1时刻的控制量，u(k)为k时刻的控制量；

S3.2：将u(k)和y(k)代入T-S模糊模型中，计算出预测输出y_m(k+1)；

S3.3：判断M(k+N)是否被求出：如果是，则跳至步骤S3.4，否则，则对T-S模糊模型在工作点(y_m(k+1),u(k))处转化为状态空间描述，得到模型M(k+1)，令k＝k+1，返回步骤S3.1；

S3.4：基于M(k),M(k+1),…M(k+N)重新求解最优控制律，也即计算出k时刻作用于系统的控制信号u(k)。